Repository logo
Communities & Collections
All of DSpace
  • English
  • العربية
  • বাংলা
  • Català
  • Čeština
  • Deutsch
  • Ελληνικά
  • Español
  • Suomi
  • Français
  • Gàidhlig
  • हिंदी
  • Magyar
  • Italiano
  • Қазақ
  • Latviešu
  • Nederlands
  • Polski
  • Português
  • Português do Brasil
  • Srpski (lat)
  • Српски
  • Svenska
  • Türkçe
  • Yкраї́нська
  • Tiếng Việt
Log In
New user? Click here to register. Have you forgotten your password?
  1. Home
  2. Browse by Author

Browsing by Author "Ospina Rendon, Diego Fernando"

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • Results Per Page
  • Sort Options
  • No Thumbnail Available
    Item
    Predicción de demanda por línea de venta con aprendizaje automático
    (Institución Universitaria Pascual Bravo, 2025) Ospina Rendon, Diego Fernando; Becerra Botero, Miguel Alberto
    Este trabajo se enfoca en el diseño de un sistema de soporte para la toma de decisiones, fundamentado en la predicción de la demanda de productos en una empresa del sector retail dedicada a la comercialización de autopartes. El análisis se orientó a cuatro líneas de venta estratégicas: Línea Diesel, Línea CamperosDicol, Línea Rodamientos y Línea Tamayo. Se desarrolló un proceso integral que incluyó análisis exploratorio de datos (EDA), visualización de series temporales y un análisis comparativo entre modelos estadísticos de series de tiempo (SARIMA) y de aprendizaje automático (Random Forest). Los modelos SARIMA evidenciaron limitaciones, especialmente en líneas con alta variabilidad como CamperosDicol y Tamayo, mostrando valores negativos en R² y errores de predicción elevados. En contraste, el modelo Random Forest, tras la optimización de hiperparámetros, logró un desempeño sobresaliente en todas las líneas de venta. En particular, alcanzó valores de R² superiores al 0.89 y reducciones significativas en MAE y RMSE, destacándose como la opción más precisa y robusta para la predicción de la demanda. En términos de exactitud, el mejor resultado se obtuvo en la Línea Rodamientos con Random Forest optimizado, alcanzando un R² de 0.9213 y un MAE de tan solo 50.38 unidades, lo cual representa un nivel de precisión altamente favorable para la planificación de inventario y toma de decisiones estratégicas.

DSpace software copyright © 2002-2025 LYRASIS

  • Privacy policy
  • End User Agreement
  • Send Feedback